Разница между обычным складом и оснащенным машинами Symbotic разительна. Как правило, паллеты с товаром выгружаются с фуры на специальную платформу; паллеты находятся там до тех пор, пока люди не распакуют их, после чего упаковки с товарами укладываются на ленточные транспортеры и развозятся по разным частям склада. Роботы Symbotic без промедления разбирают товары с паллет и раскладывают их по полкам, поэтому не требуется выделять место для временного размещения паллет. Не нужны и ленточные транспортеры. Таким образом, на складе, оснащенном оборудованием Symbotic, высвобождается дополнительное пространство под стеллажи. Джо Каракаппа, вице-президент Symbotic по развитию, сообщает, что при самом оптимистичном сценарии на складе можно будет разместить вдвое больше товаров или уменьшить его площадь в два раза. Более того, компактные склады легче вписать в сложившиеся микрорайоны, а скоропортящиеся продукты можно хранить ближе к точкам реализации.
Поскольку вся работа персонала сводится к загрузке и разгрузке фур, уместен вопрос: что будет со складскими рабочими? Джо Каракаппа говорит, что многих из них Symbotic переучивает. Например, те, кто занимался ремонтом ленточных транспортеров, обучаются ремонтировать роботов. Появляются и новые специальности. Каракаппа отмечает, что системные операторы отслеживают весь процесс перемещения роботов. «Как правило, до автоматизации на складе не было рабочих таких специальностей, — объясняет он, — но мы набираем их среди сотрудников при активном участии клиента»
[23]. (Во второй части этой книги мы подробно поговорим о новых специальностях в рамках дискуссии о «недостающей середине».)
Мыслящие цепочки поставки
«Умные» склады — это только начало. В настоящее время технологии искусственного интеллекта позволяют сделать гораздо «умнее» всю цепочку поставок, подобно тому как совершенствуются производственные цеха. Разумеется, компании стремятся избежать любых сбоев в работе логистических цепочек, которые могут быть вызваны самыми разными причинами: качество услуг, предоставляемых поставщиком, политическая нестабильность в регионе, забастовки, неблагоприятные погодные условия и т. п. С этой целью компании собирают и анализируют с помощью искусственного интеллекта данные о поставщиках, помогают составить более полное представление о факторах, влияющих на цепочку поставок, предвосхитить сценарии развития событий и т. д. Компании также хотят свести к минимуму и факторы неопределенности, связанные с последующими этапами реализации. В данном случае искусственный интеллект помогает компаниям оптимизировать прогнозирование спроса, точнее планировать его и лучше контролировать остатки на складах. В результате цепочки поставок становятся более гибкими, способными предусмотреть динамику бизнес-среды и адаптироваться к ней.
Рассмотрим всего один этап работы: прогнозирование спроса. Правильное прогнозирование спроса — болевая точка многих компаний, однако благодаря нейронным сетям, алгоритмам машинного обучения и другим системам искусственного интеллекта можно сгладить остроту этой проблемы. Например, один из лидеров по производству здорового питания активно задействовал возможности машинного обучения для анализа колебаний спроса и трендов при продвижении товаров. Анализ позволил построить надежную модель, способную оценить ожидаемые результаты от стимулирования продаж. Благодаря этому удалось на 20% сократить ошибки прогнозирования и на 30% уменьшить объем нераспроданной продукции.
К подобным результатам стремится и лидер мирового рынка потребительских товаров Procter & Gamble, СЕО которого недавно заявил о намерении сократить логистические издержки на миллиард долларов в год. Отчасти этому будут способствовать краткосрочные меры: речь идет об использовании технологий искусственного интеллекта и интернета вещей (IoT) для автоматизации складов и распределительных центров. Другие возможности связаны с долгосрочными проектами, в частности с адаптацией автоматизированной доставки под запрос клиента (для более чем семи тысяч единиц продукции). Посмотрим, позволят ли компании P&G эта и другие инициативы экономить миллиард долларов каждый год, но уже можно сказать, что искусственный интеллект сыграет в этом важную роль.
Фермы, которые настраиваются сами
Технологии искусственного интеллекта значительно влияют не только на каналы дистрибуции, производство потребительских товаров и промышленного оборудования, но и играют важную роль в производстве продуктов питания. В сельском хозяйстве исключительно остро стоит вопрос повышения производительности труда. Согласно разным статистическим данным, 795 миллионов человек сегодня недоедают, и с поправкой на демографические показатели в следующие 50 лет придется произвести столько же продуктов, сколько за последние десять тысяч лет. Пресная вода и пахотные земли — это ресурсы, которые исторически было сложно приобретать или поддерживать в пригодном для земледелия состоянии. Точное земледелие — активно применяющее искусственный интеллект и узкие данные по сельскохозяйственным культурам — должно значительно увеличить урожайность, уменьшить расход ресурсов, в частности воды и удобрений, и в целом повысить эффективность аграрного сектора.
С этой целью в точном земледелии используется обширная сеть IoT-датчиков, собирающих подробные данные. Используются также фотографии, сделанные со спутников или дронов (благодаря им можно обнаружить признаки стрессовых реакций растений еще до того, как это станет заметно с земли). В полях применяются экологические датчики (позволяющие, например, отслеживать химический состав почвы). Данные также передаются с датчиков, установленных на сельскохозяйственной технике, кроме них используются данные прогнозов погоды и почвенная база данных.
Чтобы лучше понимать собираемые данные, компания Accenture разработала новое решение — сервис точного земледелия, в котором искусственный интеллект помогает принимать рациональные решения с учетом совокупности задач: борьба с вредителями, внесение удобрений и т. д. Данные, поступающие с IoT-датчиков, обрабатываются с помощью технологии машинного обучения; полученную информацию можно использовать двумя способами. Во-первых, переслать непосредственно фермеру, который решит проблему своими силами. Во-вторых, направлять в систему, которая автоматически применит полученные рекомендации. Благодаря механизму обратной связи, использующему актуальные данные с датчиков и аналитику в режиме реального времени, ферма становится самонастраиваемой. Фермеры также могут быть задействованы в этом процессе, например утверждая рекомендации системы. По мере того как система будет становиться все надежнее, человек сможет уделить время другим задачам, автоматизировать которые не так просто.
Искусственный интеллект позволяет внедрять совершенно новые сельскохозяйственные модели, например «вертикальную ферму», где саженцы можно выращивать в многоэтажных лотках. Высота такой «фермы» может достигать десяти метров, ее можно разместить в городах — например, на территории склада. Подобная ферма уже есть в Ньюарке, штат Нью-Джерси, она принадлежит компании AeroFarms. Здесь постоянно аккумулируются данные о температуре, влажности, содержании диоксида углерода и других показателях, программа на базе машинного обучения анализирует эту информацию в режиме реального времени и создает максимально благоприятные условия для выращивания разных культур (в том числе листовой капусты, рукколы и японской капусты мицуна). По данным компании, в ньюаркском комплексе будет использоваться на 95% меньше воды и на 50% меньше удобрений, чем на обычных фермах. А так как растения выращиваются в здании, пестициды им не нужны. По прогнозам AeroFarms, вертикальная ферма в Ньюарке, расположенная всего в 24 километрах от Манхэттена, позволит получать более 900 тонн продукции в год
[24].
